研究者らは、LLMエージェントにとって適切なスキル合成の選択というボトルネックに対処するため、それを構造化されたスキル合成として形式化することにより、SkillComposerを提案する。このアプローチは、タスク条件付きのスキルシーケンス予測を通じて、アクティブになるスキルのサブセット、数、および実行順序を同時に予測する。

  • SkillComposerは、連続するスキル間の依存関係を単一パスで捉えるために、スキル識別子に対する制約付き自己回帰デコーダを使用する。
  • このモデルは、実際の人によってキュレーションされたスキルライブラリから派生したタスクと合成のペアを用いて訓練される。
  • SkillsBenchでの評価により、SkillComposerはGPT-5.2-CodexおよびGemini-3-Pro-Previewにおいて、スキルのないベースラインと比較してそれぞれ+23.1ppおよび+18.2ppのパス率向上を示した。
  • この手法は、上位3件の検索性能を上回りながら、より低いプロンプトトークンコストでゴールドスキル検索の上限に匹敵する結果を出した。

このアプローチは、成長し続けるライブラリからスキルを合成するためのより効果的な方法を提供することで、本番環境向けのコーディングエージェントにおける下流タスクの成功を向上させる。